第4期 顾照鹏，等：单目视觉同步定位与地图创建方法综述 ·503. 需要频繁更新系统状态，因此能获得较好的系统运 行速度。但是这些方法对于不同的情况需要利用不 同的几何约束条件，因此增加了系统的复杂性。 2.3特征点深度的获取 P. d 「X1 「x 1 由于单目摄像机相当于Bearing Only类传感器， y+pm0,） 不能立刻感知深度信息，因此如何获取环境特征点深 Z 加 度直接关系到单目视觉SLAM算法的成败。特征点深 h 度获取方法主要有以下3种方法：几何三角化、反深度 y (inverse depth)以及粒子滤波(particle filter)方法。 2.3.1几何三角化 目前采用关键帧与稀疏捆绑调整(sparse bundle adjustment,SBA)框架的单目视觉SLAM系统[.21，.s] 普遍采用类似运动恢复结构(structure from motion, (rc,gc) SM)中的多关键帧匹配，点三角化，重建特征，点的三维 位置，如图3所示。对于非关键帧则不进行特征点的 图4 inverse Depth特征参数化 初始化和更新，这类方法，在定位精度要求不高的情况 Fig.4 Inverse Depth feature parameterization 下能够取得比较好的运行效率。 2.3.3 Particle Filter ParticleFilter方法最先被Davison等f]采用，当 环境 特征初始化以后，在特征所在深度方向生成多个粒 子。通过粒子的匹配与更新，恢复特征点深度的概 率分布，其深度估计的收敛过程如图5所示。For ster等6)实现的单目测距系统，SV0系统中的 关键帧4 Depth Filter也采用了类似的思想。这种方法将特 特征点匹配 征点的深度从EKF滤波器中分离出来，单独进行估 计，虽然降低了滤波器整体的更新时间，但是容易增 关键帧] 加系统的不一致性，最终导致概率估计的发散。 关键帧2 关键帧3 摄像机运动 4.0 图3多关键帧三角化 3.5 Fig.3 Triangulation of multiple keyframes 3.0 2.3.2 Inverse Depth 2.5 为了减小深度分布非高斯性的影响，Civera 2.0 等[a]提出了Inverse Dept山方法，将深度的倒数在 1.5 EKF系统状态里进行更新，这种方法获得了比较好 .0 的线性效果。Inverse Depth方法利用一个6维向量 0.5 来表示一个特征点的三维位置，包括摄像机的位置 0 0.51.01.52.02.53.03.54.04.55.0 以及特征点方向和深度信息。随着滤波器不断地进 深度m 行更新，当特征估计协方差小于某一阈值的情况下， 图5基于粒子滤波的深度估计收敛过程 将特征点的6维表示转换为3维的欧式坐标（如 Fig.5 Convergence process of depth estimation based 图4)。 on particle filter Inverse Depth方法相比3维欧式坐标增加了系 2.4地图的尺度控制 统状态向量的长度，亦增加了系统时间复杂度。为 单目视觉SLAM中的环境深度是通过多帧图像 了解决这一问题，Pietzsch等[s]提出了各自的解 的匹配信息来恢复的，因此恢复深度的过程中不可 决方案，利用在同一帧图像建立多个特征点，将属于 避免地会出现尺度漂移。对于单目视觉中的尺度控 同一帧特征点的表示形式缩减为一个摄像机姿态加 制主要有以下几种方法。 多个深度的形式，有效地降低了系统状态的长度。需要频繁更新系统状态，因此能获得较好的系统运 行速度。 但是这些方法对于不同的情况需要利用不 同的几何约束条件，因此增加了系统的复杂性。 ２．３ 特征点深度的获取 由于单目摄像机相当于 Ｂｅａｒｉｎｇ Ｏｎｌｙ 类传感器， 不能立刻感知深度信息， 因此如何获取环境特征点深 度直接关系到单目视觉 ＳＬＡＭ 算法的成败。 特征点深 度获取方法主要有以下 ３ 种方法：几何三角化、反深度 （ｉｎｖｅｒｓｅ ｄｅｐｔｈ）以及粒子滤波（ｐａｒｔｉｃｌｅ ｆｉｌｔｅｒ）方法。 ２．３．１ 几何三角化 目前采用关键帧与稀疏捆绑调整（ｓｐａｒｓｅ ｂｕｎｄｌｅ ａｄｊｕｓｔｍｅｎｔ，ＳＢＡ）框架的单目视觉 ＳＬＡＭ 系统［２０⁃２１，５４⁃５５］ ， 普遍采用类似运动恢复结构（ｓｔｒｕｃｔｕｒｅ ｆｒｏｍ ｍｏｔｉｏｎ， ＳＦＭ）中的多关键帧匹配点三角化，重建特征点的三维 位置，如图 ３ 所示。 对于非关键帧则不进行特征点的 初始化和更新，这类方法，在定位精度要求不高的情况 下能够取得比较好的运行效率。 图 ３ 多关键帧三角化 Ｆｉｇ． ３ Ｔｒｉａｎｇｕｌａｔｉｏｎ ｏｆ ｍｕｌｔｉｐｌｅ ｋｅｙｆｒａｍｅｓ ２．３．２ Ｉｎｖｅｒｓｅ Ｄｅｐｔｈ 为了减小深度分布非高斯性的影响， Ｃｉｖｅｒａ 等［６４］提出了 Ｉｎｖｅｒｓｅ Ｄｅｐｔｈ 方法，将深度的倒数在 ＥＫＦ 系统状态里进行更新，这种方法获得了比较好 的线性效果。 Ｉｎｖｅｒｓｅ Ｄｅｐｔｈ 方法利用一个 ６ 维向量 来表示一个特征点的三维位置，包括摄像机的位置 以及特征点方向和深度信息。 随着滤波器不断地进 行更新，当特征估计协方差小于某一阈值的情况下， 将特征点的 ６ 维表示转换为 ３ 维的欧式坐标（如 图 ４）。 Ｉｎｖｅｒｓｅ Ｄｅｐｔｈ 方法相比 ３ 维欧式坐标增加了系 统状态向量的长度，亦增加了系统时间复杂度。 为 了解决这一问题，Ｐｉｅｔｚｓｃｈ 等［６５⁃６６］ 提出了各自的解 决方案，利用在同一帧图像建立多个特征点，将属于 同一帧特征点的表示形式缩减为一个摄像机姿态加 多个深度的形式，有效地降低了系统状态的长度。 图 ４ Ｉｎｖｅｒｓｅ Ｄｅｐｔｈ 特征参数化 Ｆｉｇ． ４ Ｉｎｖｅｒｓｅ Ｄｅｐｔｈ ｆｅａｔｕｒｅ ｐａｒａｍｅｔｅｒｉｚａｔｉｏｎ ２．３．３ Ｐａｒｔｉｃｌｅ Ｆｉｌｔｅｒ ＰａｒｔｉｃｌｅＦｉｌｔｅｒ 方法最先被 Ｄａｖｉｓｏｎ 等［３］ 采用，当 特征初始化以后，在特征所在深度方向生成多个粒 子。 通过粒子的匹配与更新，恢复特征点深度的概 率分布，其深度估计的收敛过程如图 ５ 所示。 Ｆｏｒ⁃ ｓｔｅｒ 等［６７］ 实 现 的 单 目 测 距 系 统， ＳＶＯ 系 统 中 的 Ｄｅｐｔｈ Ｆｉｌｔｅｒ 也采用了类似的思想。 这种方法将特 征点的深度从 ＥＫＦ 滤波器中分离出来，单独进行估 计，虽然降低了滤波器整体的更新时间，但是容易增 加系统的不一致性，最终导致概率估计的发散。 图 ５ 基于粒子滤波的深度估计收敛过程 Ｆｉｇ． ５ Ｃｏｎｖｅｒｇｅｎｃｅ ｐｒｏｃｅｓｓ ｏｆ ｄｅｐｔｈ ｅｓｔｉｍａｔｉｏｎ ｂａｓｅｄ ｏｎ ｐａｒｔｉｃｌｅ ｆｉｌｔｅｒ ２．４ 地图的尺度控制 单目视觉 ＳＬＡＭ 中的环境深度是通过多帧图像 的匹配信息来恢复的，因此恢复深度的过程中不可 避免地会出现尺度漂移。 对于单目视觉中的尺度控 制主要有以下几种方法。 第 ４ 期 顾照鹏，等：单目视觉同步定位与地图创建方法综述 ·５０３·